È possibile che abbiate già comprato dell’insalata – o del basilico – a marchio “Planet Farms” presso la grande distribuzione: ogni giorno dal loro stabilimento vengono infatti movimentate circa 30 mila confezioni di prodotti agricoli freschissimi, ricchi di gusto e come già accennato, coltivati in verticale. Vale la pena sottolineare fin da ora, che dalla loro raccolta all’imbustamento, passano solo 60 secondi.

Questo, grazie alla progettazione di ambienti incontaminati dedicati ad ogni specifica varietà di ortaggio. Non solo quindi un mix studiato di luce, calore e umidità ma anche una maniacale attenzione nella formulazione del substrato utilizzato, categoricamente privo di parassiti, microorganismi patogeni e sostanze chimiche, in un ambiente micro filtrato e ventilato. Anche l’acqua arriva porzionata direttamente all’apparato radicale della piantina, eventualmente arricchita con sali minerali.

Date queste premesse, si capisce il perché possa venire meno la necessità di lavare il prodotto, e di come l’intero processo possa risparmiare fino al 95% dell’acqua utilizzata dalle più tradizionali metodologie di coltura. È così che dal taglio al confezionamento, le tempistiche possono accorciarsi drasticamente, a vantaggio della freschezza del prodotto.

Nulla viene lasciato al caso, nemmeno la quantità di luce LED ad alta efficienza dedicata ad ogni germoglio. Questa riproduce sì il passare delle giornate come delle stagioni, ma viene modulata anche a seconda della fase di crescita della piantina. Ovviamente anche la raccolta dell’ortaggio verrà effettuata nel momento più adatto, garantendo un gusto autentico, nel pieno rispetto della salute ( e dell’ambiente ).

Tutta la filiera è stata minuziosamente studiata da un team multinazionale di agronomi, biologi, ingegneri, tecnologi, guidati da Luca Travaglini e Daniele Benatoff, titolari di Planet Farms. Loro, la visione inseguita nel voler restituire valore alla biodiversità, sviluppando un business “sostenibile quanto entusiasmante”.

Solo considerando l’innovazione come un mezzo per ottenere qualcosa di più grande, possiamo davvero fare succedere le cose ed essere parte del cambiamento…

Hanno lavorato per costruire la filiera verticale più tecnologicamente avanzata esistente, spinti dalla ricerca di un prodotto genuino e dal sapore autentico, coltivato però con il massimo rispetto per il Futuro. A parità di superficie, lo stabilimento produce 100 volte di più, vicino al consumatore finale, ottimizzando il consumo di acqua e abbattendo la problematica dello sfruttamento del suolo.

Il risultato è un prodotto sostenibile, sempre fresco, tracciato e garantito: tutto il ciclo produttivo è infatti controllato dall’occhio vigile di Gaia VF, un sofisticato sistema di intelligenza artificiale, che fa della trasparenza la sua forza.

L'articolo In Brianza, la Vertical Farm più Hi-Tech al Mondo proviene da Osservatorio C Quadra.

Invecchiare è inevitabile, come lo sono tutti quei piccoli cambiamenti che accompagnano l’uomo nello scorrere degli anni. Una minore prestanza fisica, qualche disturbo muscolare di troppo, un nuovo assetto privato – o lavorativo – che potrebbe sfociare in un mutamento psicologico o sociale: tanti sono i fattori che potenzialmente possono ostacolare un “invecchiamento attivo”. Nel 2002, fu l’Organizzazione Mondiale della Sanità, a dare una definizione precisa di questo termine, descrivendolo come “il processo di ottimizzazione delle opportunità di salute, partecipazione e sicurezza per migliorare la qualità della vita delle persone che invecchiano”.

1 of 4

Due i siti pilota che venderanno questi strumenti protagonisti: in Germania, sarà SIEMENS nei suoi stabilimenti a testare queste soluzioni, mentre in Spagna si cambierà contesto e si andrà in aziende ANEFA dedicate all’estrazione di aggregati silicei e calcarei.

L'articolo Ageing@Work, un Progetto Horizon 2020 per l’invecchiamento attivo proviene da Osservatorio C Quadra.

Sappiamo che le reti neurali convoluzionali, sono strumenti estremamente potenti: più volte, abbiamo descritto come il riconoscimento e l’analisi automatica di grandi set di immagini, possa raggiungere i fini più disparati. Dalla creazione di ologrammi 3D in tempo reale, alla messa a punto di speciali strumenti di diagnosi e prevenzione, l’uso delle pratiche di deep learning si sta profondamente affermando in qualsiasi ambito scientifico.

Ora, ha senso applicare le stesse metodologie di ricerca, anche alle scienze umanistiche? 

A tal proposito, avevamo già scritto del progetto Cultural Landscapes Scanner, dove i ricercatori dell’IIT – Istituto Italiano di Tecnologia puntavano ad identificare – utilizzando speciali algoritmi ed immagini satellitari – nuovi siti archeologici. Mentre tal intenzione presenta ancora molte criticità ed un lungo lavoro di ricerca e sviluppo, oggi parliamo delle più tangibili opportunità illustrate nella pubblicazione “A Deep Learning Approach to Ancient Egyptian Hieroglyphs Classification“. 

Lo studio, frutto di una collaborazione tra il Consiglio Nazionale delle Ricerche, l’Università degli Studi di Firenze e il Center for Ancient Mediterranean and Near Eastern Studies – CAMNES, descrive la concreta prospettiva di codifica, riconoscimento e traslitterazione dei segni geroglifici grazie all’addestramento puntuale di una rete neurale. Ad oggi, i ricercatori hanno testato la capacità del sistema di identificare e classificare singoli ideogrammi, ottenendo risultati estremamente promettenti, tanto da poter far sperare in una sua futura capacità di traduzione automatica. 

#IntelligenzaArtificiale per il riconoscimento automatico dei geroglifici egizi
Studio di #Cnr_Ifac @UNI_FIRENZE e @CAMNES evidenzia come il #DeepLearning possa essere adoperato per classificare l’antica scrittura geroglifica egizia
Scopri di più al link👇https://t.co/ApTj9qo1c8 pic.twitter.com/pluNuFD2UB

— CNR Consiglio Nazionale delle Ricerche (@CNRsocial_) September 17, 2021

Tanta multidisciplinarità ha permesso lo sviluppo di questo progetto: primo autore dello studio pubblicato è Andrea Barucci, esperto analista di immagini biomediche con tecniche di machine e deep learning, collega della ricercatrice Costanza Cucci all’Istituto di Fisica Applicata IFAC-CNR. Dal Centro Studi CAMNES, ha partecipato l’egittologo e filologo Massimiliano Franci, mentre dal Dipartimento di Ingegneria dell’Informazione dell’Università di Firenze, Marco Loschiavo e Fabrizio Argenti:

Dal punto di vista ingegneristico eravamo sicuri delle potenzialità degli strumenti di analisi scelti, tuttavia questo era un banco di prova importante, essendo un tipo di applicazione completamente diverso. Abbiamo voluto esplorare un ambito di ricerca nuovo, che si è rivelato estremamente interessante e promettente.

L'articolo Reti neurali ed ambiziosi obiettivi di traduzione geroglifica proviene da Osservatorio C Quadra.

La ricerca, finanziata oltre che dal UW Reality Lab, anche da Facebook, Google, Futurewai ed Amazon, si era prefissata lo scopo di creare animazioni partendo da un’immagine statica ed unica, senza alcun input esterno od aggiuntivo. Insomma, si voleva usare il deep learning per trasformare una foto… in un video. 

Nella fase attualmente raggiunta, la rete neurale addestrata riesce ad animare qualsiasi oggetto o materiale abbia un’evoluzione fluida, quindi nuvole, corsi d’acqua, colonne di fumo, cascate. Il sistema opera delle previsioni in base a come si muoverebbero realmente questi elementi, grazie alle informazioni acquisite direttamente dall’immagine di partenza. 

Gli scienziati hanno addestrato la rete mediante l’analisi di migliaia di video di panorami naturali, così che l’algoritmo potesse apprendere come eventuali increspature prevedono l’andamento di uno scroscio d’acqua o come le forme delle nubi preannunciano un loro dissolvimento. Il risultato finale è un breve video in alta definizione, che si ripete in loop, dando l’impressione di un morbido movimento infinito.

📸 – Sarah McQuate, University of Washington

I ricercatori, guidati dal dottorando Aleksander Hołyński, come prossimo step, puntano ad applicare queste animazioni alle persone, generando il movimento dei capelli che fluttuano al vento, l’oscillazione di un piede o un battito di ciglia. 

Sempre rimanendo nella sfera dell’apprendimento profondo, avevamo già parlato nello scorso mese di Marzo degli studi del Massachusetts Institute of Technology riguardanti la creazione di ologrammi 3D in tempo reale, sempre addestrando la rete neurale con grandi set di informazioni. 

Molte sono le ricerche attualmente in corso che vanno a concentrarsi sul miglioramento del fotorealisimo. Intel, per esempio, ha recentemente mostrato quanto possa essere efficace l’azione del machine learning su immagini digitali, prendendo in prestito le grafiche del famosissimo videogame Grand Theft Auto V. Sfruttando una rete neurale convoluzionale ispirata a processi biologici visivi ed utilizzando un grande database di immagini ad alta risoluzione di una cittadina tedesca, la rete è riuscita a sostituire in tempo reale i vari elementi scenici con quelli realistici, ottenendo un risultato sorprendente. 

L'articolo Deep learning ed immagini: quali le applicazioni possibili? proviene da Osservatorio C Quadra.

Il progetto del quale parleremo oggi, non avrà invece le stesse basi di partenza. 

L’Istituto Italiano di Tecnologia e l’Agenzia spaziale Europea, collaboreranno per due anni al fine di identificare, utilizzando le immagini satellitari, siti archeologici non ancora portati alla luce. Cultural Landscapes Scanner – questo il nome del progetto, partirà con pochissimo materiale fruibile e con l’ambizioso obiettivo della fotointerpretazione automatica. 

Non essendoci dunque un database di immagini archeologiche adeguate, il team di ricerca, guidato da Arianna Traviglia, dovrà sviluppare un’intelligenza artificiale basata su particolari algoritmi, in grado di analizzare immagini satellitari multispettrali, e da queste, individuare piccole alterazioni della vegetazione che possano indicare la presenza di resti nel sottosuolo.

La biomassa vegetale, con immagini in “verocolore” non mostra alcuna traccia di ciò che potrebbe nascondersi nel sottosuolo, ma un telerivelamento con spettro infrarosso, potrebbe individuare strutture solide interrate, quali edifici dei Romani, tracce di colonie della Magna Grecia o anche antiche costruzioni Etrusche. Tutto nascosto, ma individuabile attraverso firme spettrali rivelate grazie alla biomassa vegetale. 

Cerchiamo tracce invisibili all’occhio umano, che mostrino la presenza di stratigrafia archeologica. […] La cosa importante non è tanto scavare qualsiasi cosa ci sia sotto, quanto sapere che c’è: magari per progettare diversamente il passaggio di un’autostrada, oppure organizzare investimenti per proteggere l’area

Arianna Traviglia,
Researcher and Coordinator of IIT Centre for Cultural Heritage Technology (CCHT)

Queste informazioni potrebbero dunque avere usi e scopi diversi, dall’identificazione di scavi non autorizzati a diverse applicazioni di archeologia preventiva. Non solo informatica quindi, ma anche storia, archeologia e geologia… Un progetto estremamente complesso che finora nessuno è riuscito a realizzare, che “verrà affrontato con interdisciplinarità e fantasia”. 

Questo progetto (si ipotizza) potrà portare ad un possibile servizio anche per la piattaforma Copernicus, il programma di osservazione della Terra dell’Unione Europea.

L'articolo Tecnologie per i beni culturali: AI alla scoperta di nuovi siti archeologici proviene da Osservatorio C Quadra.

Ecco come funziona: dopo aver scattato una foto con determinate caratteristiche – tra le quali nitidezza ed ampiezza della parte del corpo immortalata – un sistema automatizzato rileva, estrae ed analizza tutte le lesioni pigmentate osservabili. Una rete neurale convoluzionale pre addestrata determina invece la natura della lesione e provvede a contrassegnarla tramite un colore, in base alla diagnosi: ovvio, il colore rosso, quale segnale di allarme, suggerisce un’ispezione più approfondita da parte del personale medico competente. 

Infine, l’immagine verrà poi visualizzata in un formato simile alle mappe di calore, per evidenziarne ulteriormente i risultati. 

Animazione dei ricercatori coinvolti nel progetto di ricerca | MIT News

La sfida dei ricercatori è si quella di permettere un rilevamento efficace ed efficiente del cancro alla pelle, ma in egual misura, il loro interesse è rendere effettivo un miglioramento dell’attuale capacità del sistema medico di fornire screening cutanei completi su larga scala.

La nostra ricerca, suggerisce che i sistemi che sfruttano la visione artificiale e le reti neurali profonde, possono ottenere una precisione paragonabile a quella di dermatologi esperti

Queste le parole di Luis R. Soenksen, esperto di dispositivi medici, il quale attualmente è Venture Builder per il MIT nella divisione Intelligenza Artificiale e Sanità. É lui il primo autore del recente articolo pubblicato su Science Translation Medicine, dal titolo “Using Deep Learning for Dermatologist-level Detection of Suspicious Pigmented Skin Lesions from Wide-Field Images”.

É infatti grazie all’AI, che i ricercatori hanno addestrato il sistema, utilizzando tra le altre, 20.388 immagini messe a disposizione dall’Ospedale Gregorio Marañon di Madrid. Tutte le referenze, sono state raccolte con fotocamere quotidianamente accessibili al consumatore medio, e sono poi state classificate da personale medico specializzato. Così facendo, si è arrivati a confermare una effettiva sensibilità all’individuazione di melanomi superiore al 90%.

Per approfondire:
Luis R. Soenksen, Timothy Kassis, Susan T. Conover, Berta Marti-Fuster, Judith S. Birkenfeld, Jason Tucker-Schwartz, Asif Naseem, Robert R. Stavert, Caroline C. Kim, Maryanne M. Senna, José Avilés-Izquierdo, James J. Collins, Regina Barzilay and Martha L. Gray (2021) Using deep learning for dermatologist-level detection of suspicious pigmented skin lesions from wide-field images, Science Tranlational Medicine, 17 Feb 2021, Vol. 13, Issue 581, eabb3652, DOI: 10.1126/scitranslmed.abb3652 

L'articolo Artificial Intelligence per lo screening cutaneo proviene da Osservatorio C Quadra.

Simile, ma con diverso target è invece il progetto AI Empowered Hardware for Fitness Applications, realizzato dall’ASP – Alta Scuola Politecnica che coinvolge i Politecnici di Torino e Milano. Il robot umanoide in cui il progetto è integrato si chiama Pepper ed arriva dal Giappone: esistente già dal 2014 ed è stato il primo robot umanoide utilizzato negli aeroporti e nei negozi, in quanto capace di individuare e reagire alle emozioni.

Il team di ricerca ha integrato alcune parti hardware – una telecamera e uno zainetto per supportare la nuova scheda – e sviluppato il software che rende Pepper un personal trainer in grado di assistere chi si allena. Tra le funzionalità ottenute grazie al coinvolgimento di Reply e all’implementazione di algoritmi di Intelligenza Artificiale, si registra la capacità di preparare agli allievi una scheda con gli esercizi adattandosi alle capacità e ai miglioramenti degli stessi, contare le ripetizioni, registrare le sessioni di allenamento, ma anche osservarne l’esecuzione e correggere eventuali errori nella postura.

Ingegneri e designer del Politecnico di Milano e del Politecnico di Torino si sono avvalsi (oltre che del supporto di Reply) anche del coinvolgimento di laureati in scienze motorie e personal trainer. Ma non finisce qui: considerando il periodo attuale, l’emergenza pandemica, la prolungata chiusura delle palestre e il correlato crescente numero di individui che si vedono costretti ad allenarsi tra le mura domestiche, i ricercatori hanno creato la start up Gymnasio, allo scopo di realizzarne una versione low cost.

«La sfida per noi era anche “democratizzare” l’allenamento,
perché non tutti possono permettersi un personal trainer»

Queste le parole di Giuseppe Pastore, CTO di Gymnasio, fra i cinque studenti dell’Alta Scuola Politecnica che ha lavorato al progetto. Gli altri: Daniele Gusmini (CEO), Lapo Peruzzi (Industrial Designer), Andrea Rotella (CMO), Andrea Megaro (CFO).

Questa versione low cost è attualmente un prototipo ma è già pre-ordinabile e sarà disponibile sul mercato per la prossima estate; si configurerà come un piccolo cubo, 10cm x 10cm, accompagnato da un’app scaricabile su smartphone, decisamente più maneggevole ed usufruibile in un ambiente di dimensioni ridotte quali il salotto di casa. Il servizio prevederà il pagamento di un abbonamento.

L'articolo Dall’Alta Scuola Politecnica, il personal trainer robot che ti allena con gli algoritmi proviene da Osservatorio C Quadra.

Gli ologrammi regalano un’eccezionale rappresentazione del mondo 3D e, cosa più importante, offrono una prospettiva mutevole in base alla posizione dello spettatore, consentendo all’occhio di regolare la profondità, mettendo a fuoco alternativamente il primo piano piuttosto che lo sfondo. 

Partendo da questo, i ricercatori del Massachusetts Institute of Technology, hanno generato ologrammi 3D in tempo reale avvalendosi di una rete neurale convoluzionale, una tecnica di elaborazione che utilizza una catena di tensori addestrabili, per imitare approssimativamente il modo in cui gli esseri umani elaborano le informazioni visive. In altre parole, hanno generato immagini 3D tramite una simulazione ottica creata grazie all’intelligenza artificiale. 

L’addestramento della sopracitata rete neurale è avvenuta attraverso un set di big data creato ad hoc per la ricerca, basato su “scene con forme e colori complessi e variabili”. Il team di ricerca tramite l’utilizzo di 4.000 coppie d’immagini, l’ologramma corrispondente e le informazioni specifiche su colore e profondità delle onde luminose, è riuscito a sviluppare una sorta di configurazione ottica. “Imparando” da ogni coppia di immagini precaricata, la rete ha modificato i propri parametri di calcolo, migliorando così la capacità di generare ologrammi, ottimizzando di volta in volta il risultato finale.

Esempio di immagini contenute nel database usato dai ricercatori

L’efficienza e la velocità raggiunta – pochi millisecondi per ologramma – ha sorpreso gli stessi componenti del team, aprendo molteplici – seppur ipotetici – scenari di applicazione. Joel Kollin, uno dei principali optical architect di Microsoft, anche se non coinvolto nella ricerca, ha suggerito la possibilità di personalizzare queste visualizzazioni in base alla prescrizione oftalmica di uno spettatore, creando così immagini più nitide di quelle che egli sarebbe in grado di vedere con l’utilizzo di occhiali di correzione per aberrazioni di basso ordine. 

L’olografia 3D in tempo reale potrebbe migliorare una serie di sistemi, dalla stampa 3D volumetrica, alla microscopia, fino ad arrivare alla VR. Il team, guidato da Liang Shi, autore della ricerca e dottorando presso l’EECS – Dipartimento di ingegneria ed informatica del MIT, ha affermato che questo nuovo sistema potrebbe immergere gli spettatori VR in scenari più realistici, eliminando l’affaticamento agli occhi e gli altri effetti collaterali legati all’uso della realtà virtuale a lungo termine. 

La tecnologia potrebbe essere facilmente implementata su display che modulano non solo la luminosità delle onde luminose, ma anche la loro fase e ipoteticamente potrebbe già essere messa a punto per gli ultimi modelli di smartphone. Il lavoro di ricerca è stato supportato in parte anche da SONY. 

Per approfondire:

Shi, L., Li, B., Kim, C. et al. (2021) Towards real-time photorealistic 3D holography with deep neural networks. Nature 591, 234–239 https://doi.org/10.1038/s41586-020-03152-0

L'articolo Sono (finalmente) arrivati gli ologrammi 3D generati in tempo reale proviene da Osservatorio C Quadra.

In un momento quale quello attuale, caratterizzato dall’emergenza pandemica da COVID-19 e la conseguente limitazione negli spostamenti dell’uomo, la tecnologia corre in aiuto all’agricoltore. Come? Con i robot!

Nell’anno designato dalle Nazioni Unite come l’Anno Internazionale della frutta e della verdura (il 2021), se da un lato cresce l’attenzione alla riduzione degli sprechi e delle perdite, aumenta dall’altro lato anche l’attenzione rivolta all’introduzione di elementi di innovazione e al miglioramento delle tecnologie in agricoltura. Nel mondo, ogni anno, si producono circa 800 milioni di tonnellate di frutta. Ma chi la raccoglie?

La raccolta della frutta è un’attività intensa, che richiede un elevato numero di dipendenti stagionali, sempre più difficili da reperire. Sempre meno persone sono infatti disposte a ricorrere a un lavoro tanto faticoso e spesso poco remunerato, oltre che caratterizzato da picchi di lavoro stagionali accompagnati da lunghi mesi di totale inattività.

Dall’avvento dell’emergenza epidemiologica, inoltre, la limitazione degli spostamenti ha ancor più ridotto il bacino di manodopera disponibile: Italia e Spagna hanno addirittura consentito l’impiego di immigrati non regolari per far fronte alle esigenze dei campi e riuscire a raccogliere quanto coltivato. Altri paesi in Europa hanno sollecitato coloro che avevano perso il lavoro a causa della pandemia ad andare nei campi per aiutare gli agricoltori ad evitare che i frutti marcissero sulle piante prima di essere raccolti.

Abbiamo precedente parlato dell’utilizzo della tecnologia 4.0 in agricoltura e, nello specifico, delle promettenti potenzialità derivanti dall’impiego dei droni. Dalla combinazione tra droni e Intelligenza Artificiale, un’azienda israeliana, ha inventato un robot autonomo intelligente. Il suo nome è FAR™ (Flying Autonomus Robots) e deve le sue origini alla Tevel Aerobotics Technologies: grazie all’AI è in grado di identificare i frutti sugli alberi, riconoscerne lo stato di maturazione e, se è il momento giusto, coglierli. Può lavorare 24 ore al giorno e promette di ridurre costi del lavoro e sprechi alimentari.

Questi robot volanti e autonomi per la raccolta della frutta sono caratterizzati da visione artificiale, robotica avanzata, ingegneria aeronautica, controllo di volo all’avanguardia e analisi dati raccolti.

Tevel precisa che i suoi robots non mirano ad andare a sostituire completamente il lavoro dell’uomo quanto piuttosto ad integrarsi con esso. Per il 2050 prevede che mancheranno all’appello circa 5 milioni di raccoglitori necessari: grazie a FAR™ sarà quindi possibile andare a cogliere le crescenti quote di prodotti non raccolti e, quindi, sprecati. L’azienda israeliana, nata nel 2017, ha risolto numerose sfide tecnologiche e provvederà al lancio commerciale di FAR™ in questo 2021. Massime prestazioni al minor costo, elevati livelli di flessibilità che consentono di raccogliere differenti tipologie di frutti: dove non arriverà l’uomo, ci arriveranno i droni, per un’agricoltura più sostenibile!

L'articolo Raccogliere la frutta senza sprechi grazie ai Droni intelligenti proviene da Osservatorio C Quadra.

Caratteristica non riscontrabile in Jueying: creato da un team di ricercatori dell’Università cinese di Zhejiang insieme all’Università di Edimburgo, il cane robot riesce a muoversi nello spazio e a rispondere a determinati stimoli semplicemente perché ha imparato a farlo.

Immaginiamo un bambino che impara a camminare quando più piccolo. Una volta chiesto al bambino di compiere dei movimenti specifici, come salire le scale o sedersi, non si procede a dare istruzione sul come muovere una gamba o un braccio, passo passo. Il bambino lo imparerà semplicemente provandoci. Allo stesso modo, a Jueying non vengono fornite indicazioni su ogni possibile scenario realizzabile. Anche perché il mondo reale è un continuo imprevisto: difficilmente sarebbe possibile codificare ogni situazione, ogni comportamento, ogni reazione ad uno stimolo.

Zhibin Li, robotista dell’Università di Edimburgo e autore di un recente articolo sulla rivista Science Robotics che descrive il funzionamento di Jueying, insieme al team di ricerca, ha innanzitutto addestrato il software a guidare una versione virtuale del cane robot. Come? Mediante lo sviluppo di un’architettura di apprendimento con otto “esperti” algoritmici con lo scopo di aiutare il cane robot a mettere in atto ed imparare comportamenti complessi. Per ognuno di questi, è stata utilizzata una rete neurale profonda, specializzata in una particolare tipologia di abilità. Al robot sono poi state fornite delle “ricompense digitali” in caso di successo o, viceversa, dei “demeriti digitali” in caso di insuccesso. In questo modo, ognuno degli “esperti” ha acquisito padronanza su un’esperienza.

Grazie all’Intelligenza Artificiale, il robot simulato ha così potuto procedere per tentativi ed errori, sino ad imparare dall’esperienza, a differenza dei robot tradizionali in cui ogni possibilità, ambiente, configurazione è codificata meticolosamente, riga per riga. Non c’è modo di prevedere totalmente il caos, non è possibile codificare ogni imprevisto. Al contrario con l’AI, Jueying è in grado di resistere all’imprevisto.

Come si è detto, al contrario del metodo tradizionale, questo approccio consente di imparare compiendo un’azione centinaia di migliaia di volte o anche milioni di volte, se necessario. Quel che risulta fondamentale è il coordinamento e la collaborazione tra gli otto esperti algoritmici: i ricercatori li hanno infatti combinati in una rete globale in modo da farli agire (e reagire) allo stesso modo in cui una squadra si muove grazie al suo allenatore/capitano. (Nel video qui sopra, gli 8 esperti sono rappresentati dalle 8 barre verticali colorate). Camminare su una superficie ricoperta di pietre senza brutte distorsioni alle caviglie, correre su una superficie scivolosa: se il cane robot dovesse perdere l’equilibrio, tutti gli otto esperti, agiscono per ripristinare l’equilibrio, per farlo reagire, per farlo proseguire, ecc. E tutti questi apprendimenti, possono poi essere trasferiti dal robot virtuale al robot fisico.

Avremo così macchine più intelligenti, in grado di combinare abilità flessibili e adattive e di gestire una varietà di compiti mai visti prima.

Zhibin Li

Fonte:
Chuanyu Yang, Kay Yuan, Qiuguo Zhu, Wanming Yu, Zhibin Li (2020) Multi-expert learning of adaptive leggend locomotion, Science Robotics 9 Dec 2020, Vol. 5, Issue 49, eabb2174, DOI: 10:1126/scirobotics.abb2174

L'articolo Il robot addestrato con l’Intelligenza Artificiale proviene da Osservatorio C Quadra.